Mistral AI đã phát hành Timestral, dòng mô hình nền tảng chuỗi thời gian đầu tiên của mình và bản phát hành lặng lẽ này hiện đang gây tiếng vang lớn thứ hai: thông báo được đăng trên blog của Mistral vào ngày 15 tháng 10, đã xuất hiện trên trang nhất của Hacker News vào ngày 19 tháng 10, nơi nó đã thu hút hàng trăm lượt tán thành. Mức độ này là không bình thường đối với kỷ nguyên mô hình nền tảng - dự báo tiên tiến từ các mô hình nhỏ từ 5 triệu đến 209 triệu tham số chạy trên CPU máy chủ thông thường.

Đứng đầu trên cả ba tiêu chuẩn chính For more context on this story, see our ongoing AI industry coverage.

Mistral cho biết mô hình Timestral lớn nhất của họ, chỉ với 209 triệu tham số, đứng đầu trên cả ba tiêu chuẩn công khai chính của lĩnh vực này — GIFT-Eval, TIME và fev-bench — vượt trội so với trạng thái hiện đại trước đó với khoảng 2/3 số tham số. Kết quả đã được gửi tới bảng xếp hạng GIFT-Eval và TIME, và Mistral lưu ý rằng các con số đến từ một điểm kiểm tra duy nhất mà không cần tập hợp.

Phần so sánh kích thước là phần nổi bật. Mistral báo cáo rằng mô hình 28M đánh bại Chronos-2, một mô hình lớn hơn khoảng bốn lần, trên GIFT-Eval và TIME, trong khi mô hình 209M đánh bại TimesFM-3 và Falcon-2.0 với ít thông số hơn. Công ty cho biết mọi kích thước trong dòng đều nằm trên tiêu chuẩn Pareto về độ chính xác so với kích thước mô hình - nghĩa là không có mô hình công khai nào dự báo tốt hơn ở cùng một số tham số.

Được xây dựng cho dữ liệu doanh nghiệp Không ai tweet về

Chuỗi thời gian không hấp dẫn nhưng có mặt khắp nơi: đo từ xa bằng cảm biến, số liệu có thể quan sát, tải năng lượng, luồng chuỗi cung ứng, khối lượng tài chính. Lập luận của Mistral là đây là nơi mà các kỹ thuật mô hình nền tảng hầu như chưa đạt được. Các công cụ cổ điển như ARIMA phù hợp với một chuỗi riêng biệt và các mô hình học sâu như PatchTST thường được đào tạo từ đầu cho mỗi tập dữ liệu, do đó, không có gì chuyển sang các miền mới.

Timestral lấy cẩm nang đào tạo trước từ các mô hình ngôn ngữ và áp dụng nó vào các chuỗi số. Được đào tạo trên một kho dữ liệu lớn, đa dạng, nó dự báo không có dữ liệu nào mà nó chưa từng thấy — bao gồm cả các miền mà lịch sử được gắn nhãn là khan hiếm.

Các mô hình tạo ra các dự báo xác suất, đa biến trên 21 phân vị và chấp nhận ba loại thông tin phụ: đồng biến chỉ trong quá khứ, đồng biến đã biết trong tương lai như lịch trình sản xuất hoặc dự báo thời tiết và hiệp phương sai phân loại như trạng thái của máy (đang chạy, không hoạt động, đang bảo trì) sẽ bị biến dạng nếu được mã hóa dưới dạng số đơn giản.

Kinh tế CPU

Có lẽ chi tiết có ý nghĩa thương mại nhất: Timestral không cần GPU khi suy luận. Mistral cho biết, trên CPU máy chủ tiêu chuẩn có 8 luồng, việc dự báo trước một ngày trong ba tuần với lịch sử 15 phút mất 10 mili giây với mô hình 5M và 140 mili giây với mô hình 209M. Biến thể 123M đạt khoảng 0,2% số điểm của chiếc hạm ở độ trễ bằng 3/4.

Điều đó khiến cho việc dự báo liên tục trên hàng nghìn cảm biến — toàn bộ đội tàu của một nhà máy công nghiệp — trở thành một đề xuất phần cứng chủ đạo thay vì một dự án cụm GPU.

Dưới mui xe: Bốn cược kỹ thuật

Mistral ghi nhận kết quả này nhờ một số kỹ thuật mà họ dự định trình bày chi tiết trong báo cáo kỹ thuật sắp tới:

  • Dự báo đường chân trời tách rời (DHF). Trong các phương pháp giải mã nhân quả như Toto 2.0 và TimesFM-3, các giá trị cần dự báo sẽ bị che đi và bị mất dưới dạng ngữ cảnh. DHF lưu giữ toàn bộ lịch sử theo trình tự trong khi các mã thông báo dự báo đã học sẽ đọc nó, do đó, mọi giá trị được quan sát đều đóng vai trò vừa là mục tiêu vừa là bối cảnh, đồng thời các khoảng trống thực sự vẫn được gắn cờ là bị thiếu.
  • Chú ý đến đồng biến. Mỗi chuỗi đầu vào được gán một vai trò — mục tiêu, hiệp phương sai chỉ trong quá khứ hoặc hiệp phương sai đã biết trong tương lai — với thông tin chỉ truyền từ các hiệp phương sai đến mục tiêu, vì vậy, lịch nghỉ lễ có thể đưa ra dự báo mà không làm rò rỉ tương lai của chính mục tiêu.
  • Dữ liệu tổng hợp đầu tiên. Phần lớn dữ liệu đào tạo là dữ liệu tổng hợp: các quy trình đơn biến với các xu hướng, tính thời vụ và nhiễu nhất quán, được kết hợp bằng một bộ tổng hợp đa biến đưa ra sự phụ thuộc phi tuyến tính giữa chúng.
  • Đào tạo hai giai đoạn. Đào tạo trước trên dữ liệu tổng hợp thuần túy ở bối cảnh 8.192, sau đó đào tạo sau về sự kết hợp giữa dữ liệu thực và dữ liệu tổng hợp với bối cảnh dài hơn gấp 4 lần, sử dụng tổn thất pinball trên 21 lượng phân vị làm giá trị gần đúng rời rạc của CRPS.

Trọng lượng mở, triển khai không giới hạn

Dòng sản phẩm này có bốn kích cỡ — thông số 5M, 28M, 123M và 209M — với độ dài ngữ cảnh là 32.768 bước thời gian. Các trọng lượng được xuất bản trên Ôm mặt theo giấy phép sửa đổi của MIT và Mistral đã phát hành kho lưu trữ GitHub để chạy các mô hình trên dữ liệu riêng tư. Một báo cáo kỹ thuật đầy đủ được hứa sẽ tuân theo.

Đối với các doanh nghiệp cần nhiều hơn, Timestral có sẵn thông qua Mistral Forge, hệ thống đào tạo của công ty, hỗ trợ tinh chỉnh dữ liệu độc quyền, phần mở rộng kiến ​​trúc theo miền cụ thể và kiểm soát kết hợp đào tạo — với việc triển khai trên phần cứng của khách hàng, bao gồm cả môi trường air-gap. Mistral nói rõ ràng rằng quy trình này có thể đảm bảo rằng không có gì được nhìn thấy trong quá trình kiểm tra ngược trong dữ liệu trước đào tạo, một tuyên bố đáng chú ý đối với các khách hàng công nghiệp và tài chính được quản lý.

Công ty cũng phác thảo một tương lai tác nhân cho các mô hình: Theo dõi các luồng cảm biến theo thời gian, gắn cờ sự bất thường trên máy bơm, sau đó chuyển giao cho một tác nhân mô hình ngôn ngữ để truy xuất các lỗi lịch sử tương tự, chạy phân tích nguyên nhân gốc rễ trên hồ sơ bảo trì và nhật ký ca làm việc, đồng thời phác thảo chẩn đoán cho người quản lý nhà máy.

Tại sao nó lại quan trọng

Bản phát hành này là một lời nhắc nhở rằng cuộc đua mô hình nền tảng không chỉ có LLM nghìn tỷ tham số. Dự báo là một trong những khối lượng công việc AI có khối lượng lớn nhất trong ngành và mô hình tham số 209M dẫn đầu các điểm chuẩn công khai trong khi chạy trên CPU có thể làm thay đổi ngân sách thực. Nó cũng đa dạng hóa danh mục đầu tư của Mistral ngoài các mô hình ngôn ngữ tại thời điểm phòng thí nghiệm có trụ sở tại Paris, mới huy động được 3 tỷ euro với mức định giá 21 tỷ euro, đang định vị AI của Châu Âu xoay quanh chủ quyền, hiệu quả và triển khai tại chỗ - tất cả các mục đều được Timestral kiểm tra theo thiết kế.

_Bài viết này dựa trên thông báo chính thức của Mistral trên Timestral ngày 15 tháng 10 năm 2026._

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →